Разработка передовых медицинских технологий требует сотрудничества с различными экспертами. Вот один из примеров того, как интуитивно понятные визуальные эффекты машинного обучения могут способствовать инновациям и общему пониманию.
Один только термин звучит достаточно пугающе: опухоль менингиомы. Операция по удалению этого типа рака головного мозга является сложной, и для ее выполнения требуется опытный хирург с дотошными навыками мелкой моторики. Пациенты могут вздохнуть с облегчением, зная, что врачи приобретают такие хирургические навыки не методом проб и ошибок, а под руководством опытных специалистов и многочасовой практики с хирургическими тренажерами.
Здесь мы резюмируем, как Zetane объединилась с Национальным исследовательским советом Канады (NRC) для продвижения учебных ресурсов для одного учебного инструмента моделирования, разработанного CAE Healthcare. В 2019 году NRC опубликовал технический отчет об этом проекте под названием Медицинское применение программного обеспечения для демократизации нейронных сетей, полностью прочитать который можно в конце этой записи в блоге. Этот предшествующий сегмент представляет собой краткое изложение этого отчета. На более общем уровне этот проект демонстрирует реальные применения машинного обучения в моделировании и то, как мы можем использовать интуитивно понятные визуальные эффекты для отображения сложных данных в форматах, полезных для нетехнических специалистов, таких как клиницисты.
Имитация операции на головном мозге
Учебное пособие по хирургическому моделированию напоминает видеоигру. Хирурги-стажеры изучают симуляцию обнаженной опухоли головного мозга, манипулируя двумя ручными хирургическими инструментами, один из которых представляет собой ультразвуковой аспиратор, который отсасывает опухолевые ткани. Компонентом моделирования является тактильная обратная связь, когда обучаемые испытывают текстурированные ощущения, когда хирургические инструменты соприкасаются с моделируемой поверхностью мозга. По завершении имитации операции стажер получает оценку за свое выступление. Такие факторы, как объем удаленной раковой ткани мозга по сравнению со здоровой, случаи чрезмерной силы и давления инструментов на здоровые ткани, а также общая длина пути инструментов в движении, определяют показатель качества для моделируемой операции. Стажеры просматривают эти показатели, чтобы измерить их улучшение после каждой виртуальной тренировки. Эти показатели также являются ценным источником данных, которые мы можем использовать для оптимизации протоколов обучения.
Машинное обучение для прогнозирования результатов симулированной операции на головном мозге
В 2011 году хирургический симулятор был популярным аттракционом на мероприятии Top Gun Комитета молодых нейрохирургов на конференции Американской ассоциации нейрохирургов. Многие клиницисты завершили симуляцию обучения на месте, в результате чего был получен значительный объем данных по результатам обучения. Такие данные имеют большую ценность, поскольку мы можем использовать прошлые примеры имитационных операций для точной настройки будущих симуляций, чтобы они стали еще более реалистичными. Шаблоны в данных также могут обеспечить автоматизированные, более точные прогнозы оценки качества смоделированной операции (т. е. обеспечить точный прогноз положительных результатов лечения пациентов после имитации операции). Тем не менее, использование данных для этих целей оказалось сложной задачей.
Исследователи из NRC вмешались, чтобы определить стратегии преобразования сложных тренировочных данных в интуитивно понятный и полезный формат. Последующая задача заключалась в том, чтобы затем использовать данные для разработки алгоритма, который мог бы интерпретировать точность умелых рук стажера и прогнозировать хирургические результаты моделирования. Наше программное обеспечение для промышленных приложений машинного обучения, Zetane Engine, предоставило решение для обоих фронтов. Возможность отображать визуальные и интуитивно понятные представления симуляции, данных и результатов обучения на одной платформе облегчила сотрудничество с врачами, которым нужно было поделиться своим опытом в предметной области, но не хватало навыков в области обработки данных. Использование «универсального языка» интуитивно понятных визуальных элементов позволило всем заинтересованным сторонам сократить время разработки проекта, тем более что они смогли использовать визуальные методы для совместной отладки сложного набора данных. Отображение моделирования вместе с разрабатываемыми алгоритмами прогнозирования оказалось полезным для контекстуализации и отладки полученной модели машинного обучения на более ранних этапах проекта.
Zetane Engine позволил нам заглянуть внутрь «черного ящика», чтобы увидеть влияние каждого из входных данных на выходные данные, что улучшило нашу способность объяснять результаты… увидеть, как активируются части сети, что позволило нам сократить визуально проверки, что приводит к меньшим требованиям к памяти, большей энергоэффективности и более быстрому выводу. Д-р Рола Хармуш, ведущий исследователь NRC
Образец нашей визуализации данных и хирургического симулятора представлен здесь, в этом видео.
Благодарности
Майя Шиппер из Zetane является соавтором этой статьи.
Выражаем огромную благодарность Drs. Роле Хармуш и Джордану Ховдебо из NRC за проведение исследовательского проекта, описанного здесь, и за составление окончательного отчета.
